Student stječe temeljna znanja iz umjetnih neuronskih mreža i genetičkih algoritama, uz primjene u raspoznavanju uzoraka u analizi različitih tipova informacija kao što su signali i slike, te u različitim područjima primjena. Studenti razumiju osnovne elemente i vrste neuronskih mreža: modeli neurona, algoritmi učenja, asocijativne mreže, Rosenblattov perceptron, višeslojni perceptron, radijalne mreže, mreže s potpornim vektorima, rekurzivne mreže, samoorganizirajuće mreže i genetski algoritmi. Studenti će znati koristiti računalne programe za simulaciju i implementaciju neuronskih mreža.

1. definirati i opisati koncepte teorije umjetnih neuronskih mreža
2. nabrojati primjere primjena neuronskih mreža
3. objasniti metode umjetnih neuronskih mreža
4. razlikovati praktični problem učenja i korištenja neuronskih mreža
5. kombinirati stečena znanja u svrhu rješenja danog problema
6. procijeniti kvalitetu rješenja dobivenog korištenjem neuronske mreže

Predavanja se izvode prema objavljenom planu i na temelju studentima dostupnih materijala.

Provjera znanja se odvija kroz međuispit i finalni ispit koji se buduju zajedno s ostalim aktivnostima studenata. Studenti koji nisu prošli ispit kroz kontinuiranu evaluaciju imaju mogućnost polaganja na ispitnom roku.

Laboratorijske vježbe se izvode prema objavljenom planu i na temelju uputa koje su dostupne studentima. Vježbe obuhvaćaju programsku implementaciju raznih neuronskih mreža.

Konzultacije su usmene i na zahtjev studenta.

Studentski timski projekt.

1. Uvodne napomene. Uvod u neuronske mreže - 1. dio.
2. Uvod u neuronske mreže - 2. dio.
3. Proces učenja. Asocijativna memorija.
4. Rosenblatt perceptron. LMS algoritam.
5. Višeslojni perceptron.
6. Radijalne mreže.
7. Stroj s potpornim vektorima.
8. Međuispit
9. Rekurzivne mreže. Hopfieldova mreža.
10. Samoorganizirajuće mreže.
11. Genetički algoritmi i evolucijske strategije.
12. Neuroračunala.
13. Praktične primjene neuronskih mreža
14. Prezentacije timskih projekata studenata.
15. Završni ispit.